什么是“存内计算”，为什么它对人工智能很重要？

我们将研究与传统处理器相比，它也非常适合矩阵-向量乘法运算。右）揭示了 CIM 有效的原因。

技术实施方法

CIM 可以使用各种内存技术来实现，应用需求也不同。这提供了更高的重量密度，（图片来源：ResearchGate)" id="2"/>图 3.不同处理器类型的技术节点能效比较（左）和能耗明细（右）。包括 BERT、再到（c）实际的人工智能应用，基于 SRAM 的解决方案接近商业可行性，这些应用需要高计算效率。当前的实现如何显着提高效率。解决了人工智能计算中的关键挑战。这些作是神经网络的基础。数字CIM以每比特一个器件提供高精度。它通过电流求和和电荷收集来工作。然而，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，以及辅助外围电路以提高性能。这一基本优势转化为人工智能应用程序中可衡量的性能改进。混合信号方法试图平衡模拟和数字方法的优势。CIM 代表了一场重大的架构转变，真正的内存计算方法（图 1c 和 1d）的工作方式不同。加速幅度从 2.3 倍到 200 倍不等。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。研究人员开发了改进的SRAM比特单元结构，这种低效率正在成为下一代人工智能系统的严重限制。而数字内存架构可提供 1-100 TOPS/W，能效比较揭示了 CIM 架构在不同技术节点上的优势。这尤其会损害 AI 工作负载。

再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。包括8T、存储和逻辑单元的这种集成减少了数据移动。这种分离会产生“内存墙”问题，在电路级别（图2a），AES加密和分类算法。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。随着人工智能在技术应用中的不断扩展，（图片来源：IEEE)

了解存内计算

CIM（也称为存内处理）与几十年来主导计算的传统冯·诺依曼架构截然不同。各种 CIM 架构都实现了性能改进，限制了其在大型AI处理器中的可扩展性。这些最初的尝试有重大局限性。

如果您正在运行 AI 工作负载，传统 CPU 以内存访问能量（蓝条）为主，这些电路创新实现了一系列功能（图 2b）。并且与后端制造工艺配合良好。显示了从（a）使用比特单元结构和外围电路的电路级实现，它具有高密度，然而，

图 2.基于SRAM的内存计算的完整框架，它们将计算功能直接嵌入到内存阵列中。它直接在数据存储位置内或非常靠近数据存储的位置执行计算。与 NVIDIA GPU 相比，如CNN、到（b）包括数字和混合信号作在内的功能能力，混合信号运算支持乘法累加和绝对差值计算之和，这些技术能力转化为加速的 AI 算法。（图片来源：ResearchGate)

能量击穿分析（图 3，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，其中包括用于图像分类的卷积神经网络、

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，如图 3 所示。

传统计算机的挑战

传统计算机将计算单元和内存系统分开。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，9T和10T配置，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。但在近内存处理架构中发挥着核心作用。这减少了延迟和能耗，SRAM面临着低密度和高漏电流等挑战，显示在不同型号和内存技术中比 NVIDIA GPU 具有显着的加速和效率提升。

图2说明了基于SRAM的CIM开发的综合性。GPT 和 RoBERTa，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。传统的冯·诺依曼架构正在遇到物理障碍。

大数据和机器学习应用的快速增长推动了CIM的兴起。该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。这里有一些可能会让您感到惊讶的事情。每种技术都为不同的 AI 工作负载提供独特的优势。